基于人工神经网络技术的产品可装配性评价
基于BP神经网络的船舶建造技术评价模型及仿真
基于BP神经网络的船舶建造技术评价模型及仿真姜军;邵明智;王力占【摘要】针对船舶建造技术评价非线性的特点,建立建造技术评价BP神经网络模型,并进行网络训练,结合某造船企业实际数据进行验证,避免传统评价方法存在人为随机性和主观性等影响,使得对船舶建造技术的评价更加准确、客观和便利.【期刊名称】《造船技术》【年(卷),期】2017(000)003【总页数】4页(P5-7,19)【关键词】船舶;建造技术;评价;BP神经网络【作者】姜军;邵明智;王力占【作者单位】上海船舶工艺研究所,上海200032;上海船舶工艺研究所,上海200032;上海船舶工艺研究所,上海200032【正文语种】中文【中图分类】U671在国际船舶市场需求持续低迷，世界造船业竞争日趋激烈，船舶企业利润空间不断压缩，国际海事新规则新规范频繁出台的多重压力下，我国船舶工业发展正面临着更加严峻的挑战。
在新形势下，造船企业存在转型升级的迫切需要，要从注重要素投入的外延式发展方式转变为注重科技进步、质量效益为主的内涵式发展方式。
科学评价和掌握企业造船技术水平，寻求转型发展的突破口成为行业的重要任务。
当前已进入大数据时代，数据的重要性无处不在。
衡量船舶建造技术关键在于如何科学、真实、有效、全面评价我国船舶建造企业的实际水平。
由于影响船舶建造技术的因素较多，各个造船企业目标产品存在差异，导致科学评价船舶建造技术水平有一定的困难。
传统评价法通常邀请专家对各项指标进行打分汇总，存在人为随机性和主观性等影响，易产生评价不准确现象。
因此，建立合理、科学的数学模型，应用智能评价算法，保证评价结果的客观性和准确性显得尤为重要。
以CB/T 4335-2012《船舶建造技术水平评估方法》和《船舶行业规范条件(试行版)》的内容为基础，从综合经济技术、生产设计技术、生产管理技术、单船建造技术、信息集成技术等5个层面选择7项评价指标数据，准确、客观地评价船舶建造技术水平[1-2]。
基于人工智能的混凝土构件质量评估研究
基于人工智能的混凝土构件质量评估研究一、前言近年来，随着人工智能技术的不断发展和普及，越来越多的领域开始应用人工智能技术，以提升效率和准确性。
混凝土构件的质量评估也是其中之一。
本文将介绍基于人工智能的混凝土构件质量评估研究。
二、混凝土构件质量评估现状在混凝土构件质量评估中，传统的方法一般采用人工目视或者使用传感器来收集数据。
然后，使用经验公式或者统计学方法来进行评估。
这种方法具有很大的局限性，因为人工目视或者传感器采集的数据往往受到环境、人为和设备等多种因素的影响，导致评估结果不够准确。
针对这些问题，研究人员开始将人工智能技术应用于混凝土构件质量评估，以提高预测精度和减少出错率。
三、基于人工智能的混凝土构件质量评估方法目前，基于人工智能的混凝土构件质量评估方法主要包括神经网络、支持向量机、决策树、遗传算法等。
1、神经网络神经网络是基于生物神经网络结构和功能的计算模型。
它模仿人脑的神经元与神经元之间的连接和传递信息的过程。
神经网络能够自主学习和适应，可以完成模式分类、函数逼近、数据挖掘和控制等任务。
在混凝土构件质量评估中，神经网络可以通过学习大量的数据，准确预测混凝土构件的质量。
2、支持向量机支持向量机是一种模式识别和数据挖掘的方法。
它可以将非线性问题转化为高维线性问题，并在高维空间中进行分类。
支持向量机具有分类准确率高、对于噪声数据有较强的容忍度等优点。
在混凝土构件质量评估中，支持向量机可以有效地进行数据分类和预测，提高预测精度和减少出错率。
3、决策树决策树是一种直观的分类方法，它可以通过树形结构来对数据进行分类。
决策树具有分类效果好、易于理解和解释等优点。
在混凝土构件质量评估中，决策树可以对各个参数进行分类，确定影响混凝土构件质量的主要因素，从而提高质量评估的准确性。
4、遗传算法遗传算法是一种优化搜索算法，它模拟了生物进化过程中的遗传机制和自然选择的过程。
遗传算法具有全局搜索能力、收敛速度快等特点。
基于人工智能的自动化装配线的设计与优化
基于人工智能的自动化装配线的设计与优化随着科技的不断发展，人工智能逐渐成为了各行各业的热门话题。
在制造业领域，人工智能的应用也变得越来越广泛。
自动化装配线作为制造业中的重要环节，其设计与优化也开始借助人工智能的力量。
本文将结合人工智能的技术特点，探讨基于人工智能的自动化装配线的设计与优化方法。
一、人工智能在自动化装配线设计中的应用1.1 人工智能在任务分配中的应用在自动化装配线的设计过程中，任务分配是一个关键的环节。
人工智能可以通过分析产品的特点和装配过程的复杂度，智能地将任务分配给适合的机器人或工人。
通过深度学习算法，人工智能可以不断优化任务分配方案，提高装配线的效率和准确性。
1.2 人工智能在零部件检测中的应用在装配过程中，零部件的质量是决定产品质量的关键因素之一。
人工智能可以通过图像识别、声音识别等技术手段，实时监测零部件的质量，减少人为差错，提高产品的合格率。
1.3 人工智能在故障诊断与维护中的应用自动化装配线的运行过程中，不可避免地会出现故障。
人工智能可以通过对各个设备的运行状态进行实时监测和分析，及时发现故障，并给出故障诊断和维护的建议。
这可以大大减少因故障导致的停机时间，提高装配线的稳定性和生产效率。
二、基于人工智能的自动化装配线设计与优化方法2.1 数据采集与处理在设计自动化装配线之前，我们首先需要收集大量的装配线相关数据，并对这些数据进行有效的处理。
人工智能的数据处理能力可以帮助我们从海量数据中发现规律和模式，为装配线设计提供科学依据。
2.2 智能决策与优化算法基于人工智能的自动化装配线设计与优化，核心在于智能决策和优化算法的应用。
通过建立适当的数学模型，并结合人工智能算法，可以实现对装配线布局、任务分配、工时安排等方面的智能决策和优化。
例如，可以运用遗传算法、神经网络等方法，不断优化装配线的效率和生产成本。
2.3 过程监控与改进在装配线运行的过程中，我们需要通过实时监控和数据分析，了解装配线的状态和效率。
基于人工神经网络的专利申请评估研究
基于人工神经网络的专利申请评估研究随着科技的不断发展，人工神经网络（Artificial Neural Networks, ANN）在各个领域展示出了巨大的潜力，其中包括专利申请的评估。
本文将探讨基于人工神经网络的专利申请评估研究，分析其应用前景及挑战，并讨论其可能的未来发展方向。
人工神经网络是一种模拟生物神经网络的计算工具，通过建立神经元之间的连接和权重，模拟人脑对信息的处理过程。
它具有自我学习和自适应能力，可以从大量的数据中提取特征，并进行复杂的模式识别和预测分析。
这一特点使得人工神经网络在专利申请评估中有着广泛的应用前景。
首先，基于人工神经网络的专利申请评估可以提高申请者的申请成功率。
传统的专利申请评估往往依赖于专家的主观判断和经验，容易受到个人因素的影响。
而人工神经网络可以通过学习大量的历史专利数据，自动挖掘出关键特征和规律，为申请者提供客观准确的评估结果，从而提高申请成功的概率。
其次，基于人工神经网络的专利申请评估可以帮助申请者优化申请策略。
申请专利需要考虑到专利的广度和深度，以及与现有技术的差异性。
传统的评估方法往往局限于小规模的数据和有限的特征，难以提供全面的评估和指导。
而人工神经网络可以根据大数据和复杂网络结构，挖掘出更多可能的关联和潜在的创新点，为申请者提供更全面的参考和建议。
然而，基于人工神经网络的专利申请评估也面临一些挑战。
首先是数据获取和处理的问题。
人工神经网络需要大量的专利数据进行训练和学习，而现有的专利数据库往往存在格式和准确性的差异，需要进行数据清洗和标注。
其次是特征选择和模型构建的问题。
专利涉及的领域广泛，特征的选择和模型的构建需要充分考虑到领域特定的知识和规则。
此外，人工神经网络的可解释性也是一个问题，它们往往是黑盒模型，无法提供详细的解释和理由。
针对以上挑战，可以探索以下可能的解决方案和未来发展方向。
首先，建立更大规模和高质量的专利数据库，提供更准确和丰富的数据支持。
基于AI技术的化学品安全评价模型研究
基于AI技术的化学品安全评价模型研究随着化学品使用的不断增多，化学品的安全性问题引起了人们越来越多的关注。
化学品的安全评价是确保人民身体健康和环境安全的重要措施。
然而，传统的化学品安全评价方法往往需要大量人工操作和耗费大量时间，难以适应快速发展的市场需求。
基于AI技术的化学品安全评价模型能够更加准确快速地评估化学品的安全性，提高化学品行业的安全性和效率。
一、 AI技术在化学品安全评价中的应用AI技术（人工智能技术）已经广泛应用于许多领域，为化学品安全评价提供了更为准确和快速的方法。
机器学习、深度学习、自然语言处理等技术可以帮助我们更好地处理和分析化学品数据，识别潜在的安全问题。
例如，机器学习算法可以通过预测分析来评估特定化学品的安全性。
这种方法通过利用已知的安全和有害化学物质的特定属性来比较待评估化学品的特定属性，以确定其可能对人类和环境的风险。
基于深度学习技术的神经网络也可以处理大量的化学品数据，学习化学品之间的相关性和重要特征，进而评估其安全性。
自然语言处理则可以用于分析化学品相关文本信息。
这意味着无需对大量数据进行逐一筛选和分析，AI系统可以自动挖掘和提取化学品信息中的关键信息。
通过将文本信息转换为数字，可以快速生成图表，并提供直观的视觉数据。
二、基于AI技术的化学品安全评价模型的优点与传统的化学品安全评价方法相比，基于AI技术的化学品安全评价模型具有以下优点：1. 提高精度和速度传统的化学品安全评价方法中需要费时费力地为每个化学品进行评估，而AI技术可以自动收集和评估大量的化学品数据。
基于AI技术的化学品安全评价模型能够快速准确地预测化学品的安全性，大幅度减少了人工评估的周期。
2. 自动化处理和分析化学品数据AI技术能够处理大量的化学品数据，快速识别化学品之间的相关性和特征，并根据这些特征生成准确的预测模型。
同时，AI技术还能够处理文本信息，自动提取并分析文本信息中的关键数据，以便更快速地评价化学品安全性。
基于人工神经网络的风险评估模型建立
基于人工神经网络的风险评估模型建立随着科技快速发展，人工智能技术的应用越来越广泛。
人工神经网络是人工智能领域中应用最广泛的技术之一，它模仿人脑神经元的工作原理，通过学习大量数据来识别模式和进行分类。
在风险控制领域，基于人工神经网络的风险评估模型已经成为一种新的解决方案。
一、风险评估模型的意义风险评估是金融行业中非常重要的一个环节。
金融机构面临着各种各样的风险，例如市场风险、信用风险、流动性风险等。
如何对这些风险进行评估并采取相应的措施应对，对于金融机构的发展和稳定非常重要。
传统的风险评估方法主要依赖于经验和专业知识，这种方法容易受到主观因素的影响，评估过程中存在着不确定性和不完备性。
而基于人工神经网络的风险评估模型可以通过学习大量历史数据来识别规律和趋势，避免了主观因素的影响，提高了评估的准确性和可信度。
二、建立基于人工神经网络的风险评估模型的流程建立一个基于人工神经网络的风险评估模型涉及到如下几个环节：1. 数据预处理在建立模型之前，需要对原始数据进行清洗和处理，去除噪声和异常值等。
这一步非常重要，数据预处理的好坏直接影响到模型的效果。
2. 确定评估指标评估指标是评估模型的核心，我们需要确定我们所关注的风险指标是什么。
例如，对于信用风险评估模型，评估指标可能包括借款人的信用历史、负债比例、收入情况等。
3. 确定神经网络的结构和参数神经网络的结构和参数的选择对于模型的准确性和效率至关重要。
通常，我们需要通过试错的方式来确定最优的结构和参数。
4. 训练和测试模型在确定了模型的结构和参数之后，我们需要使用历史数据对模型进行训练和测试，以检验模型的准确性和预测能力。
5. 应用模型当模型经过训练和测试后，我们可以使用它来做出风险评估的决策。
当我们输入评估指标时，模型会输出对应的风险预测结果。
三、基于人工神经网络的风险评估模型的应用基于人工神经网络的风险评估模型在金融领域中有着广泛的应用。
例如，在银行信贷领域，银行可以通过建立基于人工神经网络的风险评估模型来对借款人的信用进行评估，从而决定是否给借款人放贷。
基于BPＧAdaBoost算法的复杂产品装配制造成熟度等级评估方法
第３４卷第２０期中国机械工程V o l ．３４㊀N o ．２０２０２３年１０月C H I N A M E C HA N I C A LE N G I N E E R I N Gp p．２５１３Ｇ２５１９基于B P ＧA d a B o o s t 算法的复杂产品装配制造成熟度等级评估方法徐美姣１㊀薛善良１㊀张㊀惠１㊀周国庆２㊀卢红根２１．南京航空航天大学计算机科学与技术学院,南京,２１１１０６２．南京晨光集团有限责任公司,南京,２１０００６摘要:现有复杂产品装配制造成熟度等级评估依赖专家凭经验确定指标权重和指标评分,存在主观性较强㊁工作量大㊁耗时长㊁无法传承评价实例所蕴含的知识等问题.为了提高复杂产品装配制造成熟度等级评估的效率以及客观性,利用成熟度等级评价实例数据,研究基于B P 人工神经网络和A d a ＧB o o s t 算法的制造成熟度等级评估方法.构建复杂产品装配制造成熟度评价指标体系,给出基于模糊评价法和隶属函数的评价指标及成熟度等级达成度量化方法,建立基于B P 神经网络的复杂产品装配制造成熟度等级评估模型,并使用A d a B o o s t 算法优化成熟度等级评估B P 神经网络模型.采用复杂产品分系统装配制造成熟度评价数据集对评估模型进行训练和实验,分析B P ＧA d a B o o s t 的评估结果,获得最优评价模型.实验结果表明,基于B P ＧA d a B o o s t 算法的复杂产品装配制造成熟度等级评估方法具有较好的可靠性与准确度.关键词:产品装配;制造成熟度;等级评估;B P 神经网络;A d a B o o s t 算法中图分类号:V ４６５;T P ３９１D O I :１０．３９６９/j ．i s s n ．１００４ １３２X．２０２３．２０．０１５开放科学(资源服务)标识码(O S I D ):M a n u f a c t u r i n g R e a d i n e s sL e v e lA s s e s s m e n tM e t h o do fC o m pl e xP r o d u c t A s s e m b l y B a s e do nB P ＧA d a B o o s tA l go r i t h m X U M e i j i a o １㊀X U ES h a n l i a n g １㊀Z H A N G H u i １㊀Z HO U G u o q i n g ２㊀L U H o n g ge n ２１．C o l l e g e o fC o m p u t e r S c i e n c e a n dT e c h n o l o g y ,N a n j i n g U n i v e r s i t y o fA e r o n a u t i c s a n d A s t r o n a u t i c s ,N a n j i n g,２１１１０６２．N a n j i n g C h e n g u a n g G r o u p C o ．,L t d ．,N a n j i n g,２１０００６A b s t r a c t :I n t h e e x i s t i n g m a n u f a c t u r i n g r e a d i n e s s l e v e l a s s e s s m e n t o f c o m p l e x p r o d u c t a s s e m b l y,t h e i n d e xw e i g h t a n d i n d e x s c o r ew e r e e v a l u a t e db y e x p e r t s f r o me x pe r i e n c e ．T h i s r e s u l t e d i n s o m e d e Ｇf i c i e n c i e s s u c ha s s u b j e c t i v i t y ,h e a v y w o r k ,l o ng t i m e ,a n dn o n Ｇi m p a r t m e n t o fk n o w l e d ge i nt h ea s Ｇs e s s m e n t c a s e s ．T o i m p r o v e t h e ef f i c i e n c y a n do b j e c t i v i t y o fm a n u f a c t u r i ng re a d i n e s s l e v e l a s s e s s m e n t of c o m p l e x p r o d u c t a s s e m b l y ,u t i l i z i ng th e d a t a s e t o fm a n u f a c t u ri n g re a d i n e s s l e v e l a s s e s s m e n t c a s e s ,t h em a n uf a c t u r i ng r e a d i n e s s l e v e l a s s e s s m e n tw a sd i s c u s s e dh e r ei nb a s e do nB Pa r t i f i c i a l n e u r a l n e t Ｇw o r ka n dA d a B o o s t a l g o r i t h m．A m a n u f a c t u r i n g r e a d i n e s s a s s e s s m e n t i n d e x s y s t e mo f c o m p l e x p r o d Ｇu c t a s s e m b l y w a se s t a b l i s h e d ．T h e q u a n t i f i c a t i o no f i n d e xa n dr e a d i n e s s l e v e l a s s e s s m e n tw e r e p r o Ｇp o s e db a s e do n f u z z y e v a l u a t i o n a n dm e m b e r s h i p f u n c t i o n ．T h e n t h em a n u f a c t u r i n g r e a d i n e s s l e v e l a s Ｇs e s s m e n t o f c o m p l e x p r o d u c t a s s e m b l y w a sm o d e l e d b a s e d o nB Pn e u r a l n e t w o r k ．T h eA d a B o o s t a l g o Ｇr i t h m w a s a p p l i e d t o o p t i m i z e r e a d i n e s s l e v e l a s s e s s m e n tm o d e l b a s e do nB Pn e u r a l n e t w o r k ．T o o pt i Ｇm i z e t h e a s s e s s m e n tm o d e l ,i t i s t r a i n e do nt h ed a t a s e to fm a n u f a c t u r i n g re a d i n e s s l e v e l a s s e s s m e n t c a s e s a n d t h e r e s u l t s of B P ＧA d a B o o s t a lg o r i th m w a s a n a l y z e d ．T h e o p ti m a l a s s e s s m e n tm o d e lw a s o b Ｇt a i n e d ．E x p e r i m e n t a l r e s u l t s s h o wt h a t t h e a s s e s s m e n t i s g o o d i n r e l i a b i l i t y a n d a c c u r a c y b a s e d o nB P ＧA d a B o o s t a l go r i t h m．K e y wo r d s :p r o d u c ta s s e m b l y ;m a n u f a c t u r i n g r e a d i n e s s ;l e v e la s s e s s m e n t ;B Pa r t i f i c i a ln e u r a l n e t w o r k ;A d a B o o s t a l go r i t h m 收稿日期:２０２３０３０３基金项目:国防技术基础科研项目０㊀引言航空航天工业领域,飞机㊁火箭㊁卫星等复杂产品的制造风险管理极其重要,如果复杂产品制造风险不能得到有效管理和监控,可能会出现制造成本增加㊁产品性能不佳㊁质量问题增多㊁安全性下降和产品交货滞后等现象.为了解决这类问题,美国国防部于２００１年首先提出了制造成熟度３１５２ Copyright ©博看网. All Rights Reserved.(m a n u f a c t u r i n g r e a d i n e s s l e v e l,MR L)的概念,并随之将制造成熟度评价(m a n u f a c t u r i n g r e a d iＧn e s s a s s e s s m e n t,M R A)应用于管控国防项目,为复杂产品制造风险管理提供了有效技术手段.在制造能力建设方面,我国航空航天企业已经有一定的基础,一些企业已具备较为先进的制造技术㊁制造工艺及制造设备,但是,在制造风险管理方面,仍然存在一些不足,往往不能在规定时间和目标成本内制造出质量稳定的产品.制造成熟度评价能够帮助企业及时发现产品生产过程中的问题,进而加强企业对国防工程的风险管控,有助于国防事业顺利发展.借鉴美国M R A在国防领域的应用经验,我国国防企业率先推广应用制造成熟度评价技术,并发布了G J B８３４５ ２０１５«装备制造成熟度等级划分及定义»和G J B８３４６ ２０１５«装备制造成熟度评价程序»等标准.但是,我国航空㊁航天㊁国防领域的复杂产品制造有自身特点,不能直接套用美国M R A的一整套方案.为此,我国政府和企业资助了针对航空航天领域产品制造特点的M R A应用技术研究.国内外对成熟度的评价主要有德尔菲法㊁层次分析法等专家评价法.德尔菲法经组织专家开会得到评价结果,该方法的主观性太强,且花费时间过长.层次分析法在多层次的指标系统评价中得到了较多应用,通过专家评判指标权重和专家打分进行综合评估,存在主观性较强的问题,且当评价指标数量过多时,需要构建复杂的判断矩阵,求解矩阵结果时存在迭代次数较多㊁计算量大等问题.文献[１]应用模糊层次分析法对制造企业数字化成熟度进行评价,确定了制造企业数字化的风险因素.但由于制造企业数字化风险因素多且关系复杂,大量的评价数据仅依赖专家打分获得,存在随意性和主观性,且需要获得大量多维㊁科学㊁准确的原始数据.文献[２]构建了智能制造成熟度评价模型,为各区域制造企业的智能化转型提供了一种方法,该研究在构建模型期间运用层次分析法来求解评估指标权重,仍受专家主观性影响,且计算过程较复杂.我国现有的研究工作大多是制造成熟度的相关理论以及在某些领域的初步应用方案,例如,文献[３]针对制造业的行业特点和相关理论构建智能制造能力成熟度评价指标体系,给出了智能制造能力成熟度评价数据预处理方法;文献[４]构建了航天器结构产品M R L等级与评价指标模型,利用模糊综合评判法评估航天器相关产品的M R L;文献[５]从制造相关的多个维度分析智能制造的内容,并建立了智能制造能力成熟度模型.这些评价方法都依靠专家确定评价指标权重及指标评分,主观性较强,且耗时长.据统计,本文所研究的某复杂产品的一个分系统的装配制造成熟度评价大约需要耗费半年时间之久,每次评价都完全依赖于现场所请专家经验进行权重评判和指标评分,而以往专家成功评价的实例数据难以利用,这些评价实例所蕴含的知识不能很好地传承.反向传播(b a c kＧp r o p a g a t i o n,B P)神经网络[６]是人工智能中应用较为广泛的多指标变权动态求解方法,能够通过模仿人脑神经网络的学习方法处理多个指标的变权动态求解问题,且具有误差反向传播学习能力.通过层间权重的不断调整,使网络输出更接近理想输出,具有计算量小㊁简单易行㊁并行性强等优点,在降低产品制造成熟度评价主观性影响的同时提高客观参数量化评估的有效性和参考性,但存在着易陷入局部极小值㊁收敛速度慢㊁泛化能力弱等缺点.A d aB o o s t算法[７]可以通过反复调整权值优化弱学习器以得到有效的预测.A d a B o o s t算法的核心思想是在初次训练结果的基础上,改变样本的分配权重并再次进行训练,得到多个弱学习器及每个弱学习器的权重,最后根据权重分布将多个弱学习器组合形成强学习器.A d a B o o s t具有精度高㊁训练误差以指数速率下降的优点.本文针对某复杂产品装配制造风险管理需求,研究一种基于B PＧA d a B o o s t的装配制造成熟度等级评估方法,充分利用以往专家评价实例数据,应用人工神经网络评估制造成熟度等级达成度,以克服现有专家评价存在的主观性和效率低的问题.１㊀制造成熟度评价指标体系及量化１．１㊀装配制造成熟度评价指标体系的构建制造风险因素是复杂产品制造成熟度评价的重要依据.根据G J B８３４５ ２０１５㊁G J B８３４６ ２０１５等相关标准,制造风险主要包括工业基础与制造技术体系㊁设计㊁技术成熟度㊁工艺㊁物料㊁设备设施㊁制造人员㊁制造管理㊁质量管理和成本管理十个方面的风险因素,这些风险因素宏观上覆盖了复杂产品各组成部分和装配制造各阶段可能发生的所有问题.但是,复杂产品的装配制造工艺涉及的装配件和装配资源的种类繁多㊁数量庞大,所操作的装配空间通常极其狭窄紧凑,难以应用机器人等自动化装配工具,而装配质量要求却非常高.同时,该复杂产品的型号多㊁品种多㊁批４１５２中国机械工程第３４卷第２０期２０２３年１０月下半月Copyright©博看网. All Rights Reserved.次多,研制批产并举,制造模式多样,制造管理复杂,且存在着技术封锁等特殊制造风险,目前尚无一套适用的装配制造成熟度评级指标体系.本文结合该复杂产品装配制造实际需求,针对单件㊁小批量生产所重点关注的是否装配出符合要求的部件㊁分系统和整机产品,综合考虑人㊁机㊁料㊁法㊁环㊁测等要素在某复杂产品装配制造过程中对产品质量㊁生产效率和成本的影响,考虑技术封锁潜在影响,分析各要素存在的装配制造风险,对制造十大风险要素逐一进行分解,从相互关联㊁相互耦合的诸多制造风险因素中出识别关键制造元素(c r u c i a l m a n u f a c t u r i n g e l e m e n t, C M E),形成２３个装配制造风险子要素.以这些风险子要素为评价对象,构建某复杂产品装配制造成熟度评价指标体系(图１).其中,工艺建模与仿真(覆盖率)㊁物料可取性(满足度)㊁制造人员数量㊁过程质量管理(覆盖率)㊁厂家质量管理(等级)㊁成本分析(费用)等评级指标尤为重要.１．２㊀装配制造成熟度评价指标量化图１所示的评价指标体系包括了２３个二级指标,分别对应复杂产品装配制造风险各子要素.表１列出了各指标量及类型,其中,定量指标是采用数学方法收集和处理数据资料而作出定量结果的价值判断;定性指标是根据专家的知识㊁经验直接作出定性结论的价值判断.例如,制造人员数表１㊀装配制造成熟度评价指标量及类型T a b．１㊀Q u a n t i t y a n d t y p e o fM R Ai n d e x e s指标指标量类型M１１工业基础(满足度)定性M１２制造技术体系(完备度)定性M２１生产性(满足度)定性M２２设计成熟度(等级达成度)定性M３１技术成熟度(等级达成度)定性M４１工艺建模与仿真(覆盖率)定量M４２制造工艺成熟度(等级达成度)定性M４３合格率与生产率定量M５１物料成熟度(等级达成度)定性M５２物料可取性(满足度)定性M５３供应链管理(准时配套率)定量M６１制造设备(满足度)定性M６２生产设施(满足度)定性M７１制造人员数量定量M７２制造人员能力(等级)定量M８１制造计划安排(一次完成率)定量M８２制造执行管理(准时执行率)定量M９１过程质量管理(覆盖率)定量M９２产品质量管理(一次合格率)定量M９３厂家质量管理(等级)定量M１０１成本模型(合理性)定性M１０２成本分析(费用)定量M１０３制造投资预算定量图１㊀复杂产品装配制造成熟度评价指标体系F i g．１㊀M R Ai n d e x s y s t e mo f c o m p l e x p r o d u c t a s s e m b l y 量是指具有特定装配制造能力的人员总数,该指标是具有望大特性的定量指标;成本分析表示装配制造费用,即装配过程中各种资源利用情况的５１５２基于B PＧA d a B o o s t算法的复杂产品装配制造成熟度等级评估方法 徐美姣㊀薛善良㊀张㊀惠等Copyright©博看网. All Rights Reserved.货币表示,是衡量装配技术和管理水平的重要指标,是具有望小特性的定量指标.对定性指标的评价结论无法用数值表达,而定量指标的评价结果可能有不同量纲.本文依据各项指标的特征㊁值域范围以及对成熟度的影响等因素,对制造成熟度各指标进行了量化处理,分别应用模糊评价法和模糊数学隶属函数实现定性指标和定量指标的量化[８Ｇ９].１．２．１㊀定性指标量化方法定性指标只通过语句表达要求满足程度,而不含任何数据.例如,设计生产性㊁物料可取性等评价指标以及成熟度等级达成性.本文参考文献[８]应用模糊评价法将定性指标的评价结果分为四个等级:完全不满足㊁基本满足㊁达到预期要求㊁达到完美要求.采用定量分级处理方法,以０㊁０．５㊁０．８㊁１分别表示定性指标评价集内各元素[１０],构成表２所示的定性指标评价集.表２㊀定性指标评价集T a b．２㊀A s s e s s m e n t s e t o f q u a l i t a t i v e i n d e x e s满足程度完全不满足基本满足达到预期要求达到完美要求分值００．５０．８１１．２．２㊀定量指标量化方法定量指标是具有数据要求的指标,指标的绝对量是尺寸㊁费用㊁件数㊁时间㊁比率等具有不同量纲的真实数据,需要依据指标的特征㊁值域范围以及对成熟度的影响等因素,根据指标相关的真实数据与设定数据间的关系进行归一化等处理,以适用于成熟度评估模型神经元激活函数输入.定量指标包括正指标㊁负指标和适度指标三种.量化定量指标,首先需要判断指标所属种类,然后根据指标的真实情况完成量化.本文采用模糊数学中的隶属函数,以指标a的边界值a m i n/a m a x和最适值a m o d为标准进行量纲一处理,将指标的初始值换算为量纲一的评价值,各类指标的量化方法如下.(１)正指标量化.正指标是在一定范围内指标越大评价值越高的一类指标,具有望大特性,如准时配套率㊁合格率㊁生产率等.采用隶属函数进行正指标模糊量化:V(a)＝１２＋１２s i nπa m a x－a m i n(a－a m a x＋a m i n２)㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀a m i n＜a＜a m a x ０aɤa m i n aȡa m a x ìîíïïïï(１)式中,V(a)为该指标经过量纲一化之后得到的评价值;a 为制造成熟度定量指标的原始数值;a m a x㊁a m i n㊁a m o d分别为指标在制造成熟度评价实施时采用的最大值㊁最小值和最适值.(２)负指标量化.负指标是在一定范围内指标越小评价值越高的一类指标,具有望小特性,如装配成本㊁制造投资等.采用隶属函数进行负指标模糊量化:V(a)＝１２－１２s i nπa m a x－a m i n(a－a m a x＋a m i n２)㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀a m i n＜a＜a m a x０aɤa m i n aȡa m a xìîíïïïï(２) (３)适度指标量化.适度指标是在一定范围内指标越接近最适目标值,其评价值越高的一类指标,具有望目特性,如装配件设计外廓尺寸㊁过渡配合装配间隙等.采用隶属函数进行适度指标模糊量化:V(a)＝１２＋１２s i nπa m a x－a m i n(a－a m o d＋a m i n２)㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀a m i n＜a＜a m o d１２－１２s i nπa m a x－a m i n(a－a m o d＋a m a x２)a m o d＜a＜a m a x０aɤa m i n aȡa m a xìîíïïïïïïïï(３)２㊀基于B PＧA d a B o o s t的成熟度等级评估模型２．１㊀基于B P的成熟度等级评估模型神经网络由输入层㊁隐藏层和输出层组成[１１],每层又含多个神经元,神经元个数在输入层和输出层与样本数据对应,而隐含层则要视实际情况而定.本文研究的装配制造成熟度等级评估神经网络的输入层由某复杂产品装配制造成熟度等级评价指标体系内２３个二级指标评价值构成,输出层为成熟度等级值达成度,输入㊁输出神经元的个数分别为２３个与１个.B P神经网络隐含层层数和各隐含层节点数对B P神经网络模型的构建影响非常大.多隐层的网络结构对数据有更好的表示能力,但是隐含层层数过大可能会带来过拟合问题,同时也会增加模型的训练时间,造成无法收敛.与此同时,各隐含层节点数过少,可能会导致模型的学习能力下降,训练结果受影响;节点数过多,可能导致模型的训练时间增加,出现过拟合现象.隐含层最大层数与输入层和输出层神经元个数以及样本个数有关:MɤP(R－２)－(S－１)２(４)式中,M为隐含层数;S㊁P分别为输入层和输出层神经元６１５２中国机械工程第３４卷第２０期２０２３年１０月下半月Copyright©博看网. All Rights Reserved.个数;R为样本个数.实际应用中,隐含层多数为１~３层,根据样本数据的数量级及具体性能要求而定.现阶段使用最多的隐含层节点数求解公式为N＝Rα(S＋P)(５)式中,α为调节常数,取值范围２~１０.在确定各隐含层节点数时,各隐含层节点个数必须小于R－１.若某隐含层节点个数大于等于训练样本个数R,可能会导致模型的训练时间增加,还可能使得建立的训练模型不能预测其他样本数据,失去模型的实用性.另外,样本数必须多于模型权数的２~１０倍.本文构建多层制造成熟度评价模型,对于多层网络,s i g m o i d函数的分类相较于线性函数容错性较好,划分更加精确㊁合理.装配制造成熟度评价指标的评分结果量化后控制在[０,１]内,制造成熟度等级达成度评估结果也在[０,１]内. s i g m o i d函数可处理且逼近非线性关系,因此制造成熟度等级评估模型选取s i g m o i d函数作为激活函数[１２],如下所示:t(x)＝１１＋e－x(６)本文比较分析了t r a i n g d m㊁t r a i n g d㊁t r a i n r p 和t r a i n l m训练函数,其中t r a i n r p和t r a i n l m效果较好.进一步选取t r a i n r p和t r a i n l m训练函数分别构建某复杂产品装配制造成熟度等级评估模型,选用相同隐含层个数情况下,分别进行仿真实验,针对平均绝对百分比误差MA P E㊁平均绝对误差MA E㊁均方根误差R M S E和决定系数R２进行比较分析.实验结果表明t r a i n l m作为训练函数的评估结果更贴近实际值,因此本文选用训练函数t r a i n l m.接着,设置训练参数,设置学习效率㊁动量因子㊁最大训练次数㊁目标误差分别为０．０１㊁０．９㊁１０００和０．００１.设置双层隐含层的激活函数为t a n s i g和l o g s i g,正切S型函数t a n s i g形式为f(x)＝１－e－x１＋e－x(７)对数S型函数l o g s i g形式为f(x)＝(１＋e－βx)－１(８)式中,β为调节常数.输出层的激活函数为p u r e l i n,线性函数p u r e l i n形式为f(x)＝k x＋c(９)式中,k为线性函数的斜率;c为线性函数的截距.２．２㊀基于A d a B o o s t的成熟度等级评估模型优化B P神经网络评估制造成熟度等级误差较低,但存在易陷入局部极小值㊁收敛速度慢㊁泛化能力弱等缺点.为了获得预测效果更好评价模型,本文分别使用粒子群算法(P S O)和自适应增强(A d a B o o s t)算法对B P神经网络模型进行对比优化,结果表明,使用A d a B o o s t算法对B P神经网络模型进行优化能进一步提高收敛速度以及评估精度.从国内外研究现状可知,基于A d a B o o s t算法优化后的B P神经网络建立的预测或评估模型预测精度高㊁误差小且稳定性高,因此,本文采用基于B PＧA d a B o o s t的复杂产品装配制造成熟度等级评估方法.评估流程见图２,具体步骤如下. (１)初始化训练样本权重:W i＝１m㊀㊀i＝１,２, ,m(１０)式中,W i为训练样本的初始权重;m为训练样本个数. (２)设置以B P神经网络为弱学习器的个数T,以及B P神经网络的激活函数㊁隐含层㊁目标误差㊁学习效率等;(３)对弱学习器开始训练,得到训练样本的评估误差,比较评估误差与训练误差,调整训练样本的权值D i;(４)训练第s个弱学习器,根据第s个弱学习器的评估误差计算该学习器的权重; (５)根据第s个弱学习器的评估结果g(s),调整第s＋１轮训练样本的权重; (６)经过T轮循环,得到T组不同权重的函数f(g s,W s),根据权重分布得到强学习器的预图２㊀基于B PＧA d a B o o s t的制造成熟度评价流程F i g．２㊀F l o wo fMR Ab a s e do nB PＧA d a B o o s t７１５２基于B PＧA d a B o o s t算法的复杂产品装配制造成熟度等级评估方法 徐美姣㊀薛善良㊀张㊀惠等Copyright©博看网. All Rights Reserved.测函数F(x).３㊀评估模型的训练与对比分析３．１㊀训练数据及训练方法我国制造成熟度评价技术应用处于起步阶段,主要应用领域局限于航空航天工业和国防工业.现有的成熟度评价实例多为专家主观定性评价.为此,本文针对该复杂产品装配制造成熟度评价指标特点,结合已有的装配制造成熟度评价实例,参照装配制造成熟度评价指标体系和评价指标量化方法,对来自于评价专家打分的定性指标M１１㊁M１２㊁M２１㊁M２２㊁M３１㊁M４２㊁M５１㊁M５２和M１０１进行定量分级处理,对来自装配制造数据的定量指标M４１㊁M４３㊁M５３㊁M７１㊁M７２㊁M８１㊁M８２㊁M９１㊁M９２㊁M９３㊁M１０２和M１０３进行量化处理,制作该复杂产品的分系统装配制造成熟度评价数据集进行训练.该数据集有８２００条数据,每条数据有２３项指标,其中训练㊁校验和测试的样本数量比例分别为７０％㊁１５％和１５％.利用数据集对构建好的T个B P神经网络弱学习器进行训练,设第s个弱学习器训练后的评估结果为g s(s),实际结果为Y,计算训练集上的最大误差E s:E s＝m a x(|g s(s)－Y|)(１１)计算第i个样本在第s个训练集上的相对误差e i:e i＝|g s(x i)－Y i|/E s(１２)式中,x i为第i个样本输入值;Y i为第i个样本实际结果.计算每个训练集的回归误差率e s:e s＝e s＋D s(i)e i(１３)式中,D s(i)为第i个训练样本的权值.根据第s个弱学习器的评估误差e s计算该弱学习器的权重:W s＝１２l n(１－e s e s)(１４)由第s个弱学习器的评估结果g s(s),调整s＋１轮训练样本的权重:D s＋１(i)＝D s(i)B s e x p(－W s Y i g s(x i))(１５)i＝１,２, ,m式中,B s为归一化因子.最后,利用平均绝对百分比误差(MA P E)㊁平均绝对误差(MA E)㊁均方根误差(R M S E)和决定系数(R２)比较选择最优等级评估模型,用于确定制造成熟度等级.３．２㊀对比测试结果与分析为比较分析本文研究的基于B PＧA d a B o o s t 的制造成熟度等级评估方法的有效性和效率,本文对B P神经网络算法㊁粒子群算法改进后的B P 神经网络及B PＧA d a B o o s t算法进行对比实验.实验中,采用相同的数据集以及参数,结果如图３~图５所示,实验误差如表３所示.图３㊀B P的实验结果F i g．３㊀E x p e r i m e n t a l r e s u l t s o fBP图４㊀P S OＧB P的实验结果F i g．４㊀E x p e r i m e n t a l r e s u l t s o fP S OＧBP图５㊀B PＧA d a B o o s t的实验结果F i g．５㊀E x p e r i m e n t a l r e s u l t s o fB PＧA d a B o o s t表３㊀B P㊁P S OＧB P和B PＧA d a B o o s t误差分析T a b．３㊀E r r o r a n a l y s i s o fB P,P S OＧB P&B PＧA d a B o o s t算法MA P E MA E RM S E R２B P０．０４１１０．５３７８０．７０８１０．８８４７P S OＧB P０．０３６２０．４６１６０．６３９２０．９０６０B PＧA d a B o o s t０．０３０３０．３９３２０．５６３００．９２７１㊀㊀对比可知,B P算法㊁P S OＧB P算法㊁B PＧA d a B o o s t算法的MA P E分别为４．１１％㊁３．６２％㊁３．０３％.可以看出,B PＧA d a B o o s t算法的仿真结果更贴近真实值,比B P算法和P S OＧB P算法的评估效果更好.综上,基于B PＧA d a B o o s t的制造成熟度等级评估方法效果最优,因此将其应用于产品装配制８１５２中国机械工程第３４卷第２０期２０２３年１０月下半月Copyright©博看网. All Rights Reserved.造成熟度等级评价.４㊀结论本文分析了某复杂产品装配制造风险因素,建立了装配制造成熟等级评价指标体系,并给出了成熟度等级达成度量化方法.对比发现,采用B PＧA d a B o o s t算法构建的装配制造成熟度评价模型实现了某复杂产品装配制造成熟度等级评估,提高了制造成熟度评价的精确度和效率,缩短了评价周期.随着该复杂产品及同类型产品装配制造成熟评价技术的推广应用,将进一步应用所积累的评价实例数据对本文所研究的方法进行验证和优化,并在同类型产品装配制造风险管理中推广.参考文献:[１]㊀王思惟．制造企业数字化成熟度评价体系研究[D]．杭州:杭州电子科技大学,２０２０．WA N GS i w e i．R e s e a r c ho nt h eE v a l u a t i o nS y s t e mo f D i g i t a l M a t u r i t y o f M a n u f a c t u r i n g e n t e r p r i s e s[D]．H a n g z h o u:H a n g z h o uD i a n z iU n i v e r s i t y,２０２０．[２]㊀肖吉军,郑颖琦,徐洁萍．基于A H P与D HN N的智能制造成熟度评估模型研究[J]．系统科学学报,２０２０,２８(２):１０５Ｇ１１０．X I A OJ i j u n,Z H E N G Y i n g q i,X U J i e p i n g．I n t e l l iＧg e n t M a n u f a c t u r i n g M a t u r i t y E v a l u a t i o n M o d e lB a s e do nA H Pa n dD HN N[J]．J o u r n a l o fS y s t e m sS c i e n c e,２０２０,２８(２):１０５Ｇ１１０．[３]㊀丁雪红,石莉,李敏,等．基于B P神经网络的智能制造能力成熟度评价研究[J]．青岛大学学报(自然科学版),２０１９,３２(３):２０Ｇ２５．D I N G X u e h o n g,S H IL i,L IM i n,e t a l．I n t e l l i g e n tM a n u f a c t u r i n g C a p a b i l i t y M a t u r i t y E v a l u a t i o nB a s e do nB PN e u r a lN e t w o r k[J]．J o u r n a l o fQ i n g d a oU n iＧv e r s i t y(N a t u r a lS c i e n c e E d i t i o n),２０１９,３２(３):２０Ｇ２５．[４]㊀李君三．航天器结构产品制造成熟度等级评价方法及应用[J]．航天器工程,２０２１,３０(１):１０１Ｇ１０７．L IJ u n s a n．E v a l u a t i o n M e t h o da n d A p p l i c a t i o n o fM a n u f a c t u r i n g M a t u r i t y L e v e lo fS p a c e c r a f tS t r u cＧt u r a l P r o d u c t s[J]．S p a c e c r a f tE n g i n e e r i n g,２０２１,３０(１):１０１Ｇ１０７．[５]㊀高亮,吉敏,杨敬辉．智能制造能力成熟度模型研究[J]．上海第二工业大学学报,２０２２,３９(１):７１Ｇ７８．G A O L i a n g,J I M i n,Y A N GJ i n g h u i．R e s e a r c ho nI n t e l l i g e n tM a n u f a c t u r i n g C a p a b i l i t y M a t u r i t y M o dＧe l[J]．J o u r n a lo fS h a n g h a iP o l y t e c h n i c U n i v e r s i t y,２２２,３９(１):７１Ｇ７８．[６]㊀于京池,金爱云,潘坚文,等．基于G AＧB P神经网络的拱坝地震易损性分析[J]．清华大学学报(自然科学版),２０２２,６２(８):１３２１Ｇ１３２９．Y UJ i n g c h i,J I N A i y u n,P A NJ i a n w e n,e t a l．S e i sＧm i cV u l n e r a b i l i t y A n a l y s i so fA r c h D a m B a s e do nG AＧB P N e u r a l N e t w o r k[J]．J o u r n a lo f T s i n g h u aU n i v e r s i t y(S c i e n c ea n d T e c h n o l o g y E d i t i o n)２０２２,６２(８):１３２１Ｇ１３２９．[７]㊀张梦娇,叶庆卫,陆志华．基于模糊弱分类器的A d aＧB o o s t算法[J]．数据通信,２０２１(５):３５Ｇ４１．Z HA N G M e n g j i a o,Y E Q i n g w e i,L UZ h i h u a．A d aＧB o o s t a l g o r i t h mB a s e d o nF u z z y W e a kC l a s s i f i e r[J]．D a t aC o mm u n i c a t i o n,２０２１(５):３５Ｇ４１．[８]㊀陈曦,曾亚武,刘伟,等．岩体基本质量分级模糊综合评价法研究[J]．武汉大学学报(工学版),２０１９,５２(６):５１１Ｇ５２２．C H E N X i,Z E N G Y a w u,L I U W e i,e ta l．R e s e a r c ho nC l a s s i f i c a t i o no fR o c k M a s sB a s i cQ u a l i t y B a s e do n F u z z y C o m p r e h e n s i v e E v a l u a t i o n M e t h o d[J]．E n g i n e e r i n g J o u r n a l o fW u h a nU n i v e r s i t y,２０１９,５２(６):５１１Ｇ５２２．[９]㊀沈宇飞,王轶博,矫贺明,等．一类模糊评价模型与通信卫星效能评估[J]．哈尔滨工业大学学报,２０１６,４８(４):１２９Ｇ１３２．S H E N Y u f e i,WA N G Y i b o,J I A O H e m i n g,e t a l．AC l a s s o fF u z z y E v a l u a t i o n M o d e l a n dt h eE f f e c t i v eＧn e s sE v a l u a t i o no fT e l e c o mm u n i c a t i o nS a t e l l i t e s[J]．J o u r n a l o fH a r b i n I n s t i t u t e o fT e c h n o l o g y,２０１６,４８(４):１２９Ｇ１３２．[１０]㊀李刚．城市轨道交通P P P项目实施效果评价研究[D]．北京:北京交通大学,２０１６．L IG a n g．E v a l u a t i o no n E f f e c to f U r b a n R a i l w a yP P PP r o j e c t s[D]．B e i j i n g:B e i j i n g J i a o t o n g U n i v e rＧs i t y,２０１６．[１１]㊀李思源．基于B P神经网络的重力坝深层抗滑稳定分析[D]．大连:大连理工大学,２０２１．L I S i y u a n．A n a l y s i so fD e e p A n t iＧs l i p S t a b i l i t y o fG r a v i t y D a m B a s e do n B P N e u r a l N e t w o r k[D]．D a l i a n:D a l i a nU n i v e r s i t y o fT e c h n o l o g y,２０２１．[１２]㊀张福生,潘学文,路超．基于S S A优化B P神经网络的故障诊断系统研究[J]．中国工程机械学报,２０２２,２０(１):８１Ｇ８５．Z HA N GF u s h e n g,P A N X u e w e n,L U C h a o．R eＧs e a r c ho n F a u l tD i a g n o s i sS y s t e m B a s e do nS S AO p t i m i z e dB PN e u r a lN e t w o r k[J]．C h i n e s e J o u r n a lo fC o n s t r u c t i o n M a c h i n e r y,２０２２,２０(１):８１Ｇ８５．(编辑㊀王旻玥)作者简介:徐美姣,女,１９９６年生,硕士研究生.研究方向为计算机应用技术㊁智能制造.EＧm a i l:１７６８５７４３３２９＠１６３．c o m.薛善良(通信作者),男,１９７２年生,副教授.研究方向为计算机应用技术㊁智能制造㊁数字孪生.EＧm a i l:x u e s l＠n u a a．e d u．c n.９１５２基于B PＧA d a B o o s t算法的复杂产品装配制造成熟度等级评估方法 徐美姣㊀薛善良㊀张㊀惠等Copyright©博看网. All Rights Reserved.。
智能制造中基于神经网络的质量预测研究
智能制造中基于神经网络的质量预测研究随着工业4.0时代的到来，智能制造已经成为制造业发展的重要趋势。
智能制造有望极大地提高产品质量、生产效率和运营效益等方面。
而对于制造业来说，质量始终是企业竞争的重要因素。
因此，在实现智能制造过程中，如何准确、高效地预测产品的质量问题成为了制造业的一大难题。
基于神经网络的质量预测技术是智能制造领域中一种较为成熟的应用技术，该技术的基本思想是利用神经网络对数据进行学习和分析，从而实现对未来产品质量的预测。
下面，我们将深入探讨基于神经网络的质量预测技术在智能制造中的应用。
一、神经网络的基本原理神经网络是一种模仿人脑神经系统结构和功能的计算机模型，它由许多相互连接的"神经元"组成。
神经网络通常由三层组成：输入层、隐藏层和输出层。
在神经网络中，输入层用来接收原始数据，隐藏层对数据进行处理和加工，输出层则输出最终结论。
神经网络工作的基本原理就是通过调节连接权值，使得网络的输出结果最接近实际结果，从而实现数据学习和分析的过程。
二、基于神经网络的质量预测应用分析在智能制造过程中，基于神经网络的质量预测技术主要应用于产品的设计、生产和品质控制等环节。
下面我们将分别从三个方面介绍一下该技术的具体应用。
2.1 产品设计阶段在产品设计阶段，神经网络可以用来预测新产品的质量。
通过对历史产品质量数据的学习，神经网络可以得到新产品质量与工艺之间的关系，从而提前预测新产品的质量指标和缺陷发生率。
这样，制造企业就可以在产品设计阶段确定最优化的生产工艺和制造方案，提高新产品的质量和市场竞争力。
2.2 生产阶段在生产阶段，神经网络可以用来对生产工艺参数进行优化，最终提高产品的生产效率和质量。
首先，神经网络可以通过对大量实时生产数据的学习，得到生产参数与产品质量之间的关系，从而预测出不同参数组合对产品品质的影响，定位生产过程中可能出现的问题。
其次，基于预测结果，神经网络可以自动调整控制参数，从而降低生产成本、提高产品质量、保障产品交付质量并快速实现生产目标。
基于人工智能的机械装配自动化技术
基于人工智能的机械装配自动化技术随着科技的不断发展，人类对机械装配自动化技术的需求越来越大。
人工智能作为一种涵盖多个领域的技术，正在不断地为机械装配带来革新。
本文将探讨基于人工智能的机械装配自动化技术的应用和优势。
一、人工智能在机械装配中的应用在传统的机械装配中，需要大量的人力参与，这在一定程度上限制了装配速度和效率。
而基于人工智能的机械装配自动化技术则可以有效地解决这一问题。
通过引入自动装配机器人和人工智能技术，可以实现机械部件的快速和精确装配。
首先，人工智能可以用于图像处理和识别技术。
装配过程中，相机可以实时捕捉装配区域的图像，并通过人工智能算法进行处理和识别。
通过训练神经网络模型，机器可以自动识别不同的零件，并将它们正确地组装在一起，大大提高了装配的准确性和速度。
其次，人工智能还可以用于机械装配的路径规划和优化。
在装配过程中，机器需要选择最优的装配路径，以减少不必要的移动和时间浪费。
通过使用强化学习算法，机器可以在无监督的情况下学习和优化自己的行为，不断改进装配路径的选择，从而达到最佳的装配效果。
另外，人工智能还可以用于机器人的控制和协作。
在多机器人系统中，通过使用分布式人工智能技术，不同的机器人可以实时地互相通信和协作，完成复杂的装配任务。
同时，机器人可以通过学习自适应控制算法，根据环境变化和不确定性来调整装配策略，提高自身的适应能力和鲁棒性。
二、基于人工智能的机械装配自动化技术的优势基于人工智能的机械装配自动化技术相比传统装配技术具有许多优势。
首先，自动化装配可以大大提高装配速度和效率。
由于机器人具有高速和高准确度的特点，它们可以在短时间内完成大量的装配工作，提高生产效率。
与人工装配相比，机器人不会疲劳或出现错误，可以保持高质量的装配。
其次，自动化装配可以减少人力成本和劳动强度。
传统的机械装配需要雇佣大量的工人，而且工人需要不断重复相同的动作，容易出现疲劳和错误。
而机器人在执行装配任务时不需要休息，也不会出现疲劳和错误，可以减轻工人的劳动强度，提高工作效率。
基于层次分析法的装配序列评价技术
经网络 的判断矩阵调整方法对对 比矩阵进行一致性检验 与修 正，以此 获得装 配序列 总体评价结果 。该评价方法 的实现 ，提高了装配序列优选的 自动化水平 ，并以小车 总成虚拟装配实例对该评价方法进行 了验证 。 关键词 ：装配 序列；层次分析：Ｂ Ｐ神经网络 ；序列规划 ；序列评 价
Ａｓｅ ｌ ｅ ｕ ｎ ｅＥｖ ｌ ａ ｉｎＭ ｅｈ ｄ Ｂａ ｅ ｎ Ａｎ ｌｔ ａ ｅ ａ ｃ ｙＰｒ ｃ ｓ ｓ ｍｂ ｙＳ ｑ ｅ ｃ ａｕ ｔ ｔ ｏ ｓ ｄｏ ａｙ ｉ ｌ ｏ ｃ Ｈｉｒ ｒ ｈ ｏ ｅ ｓ
ｅ ａｕ ｔｏ ｆ ｃｅ ｃ ｅｇ ｔｎ ｄ． ｅｔ ｅ ｒ ｓｖ ｉ ａｅ ｙ ａ ｘａ ｌ ｆｖ ｈ ｃｅｓ ｓｅ ｖ ａｉ ｎｅ ｆ ｉｎ ｙｉ ｈ ｉ ｈ ｅ ｅ Ｔｈ ｏ ｙ ｉ ａ ｄ ｔｄｂ ｅ ｍｐ ｅｏ ｅ ｌ ｙ ｔｍ． ｌ ｉ ｓ ｈ ｌ ｎ ｉ
列综合评价方法 。本文提 出了基于层次分析法的装配
序列评价方法 ，能有效的提高装配序列优 选的 自动化
水平 。
① 收稿时ｆ：０ ０ ．７收至 修改稿时ｆ ２ １．７０ ￣２ １．５２ ； １ ￣： ０．８ ０１
致性要求，并对判断矩阵进行 实时调整 ：第五步 ：对
符合要求的判断矩阵进行运算，计算出它的权重向量
ｅ ａＵ ｔｏ ｖ ｌ ａｉ ｎ
装配序列规划是在装配建模的基础上，对满足一定 约束条件的零件序列的装配顺序进行推理【。传统的机 ¨
械产 品生产制造 中往往到产品的最终装配时才能发现设 计缺陷，从而影响产品的质量和生产周期 。为了达到降
ｌ 基于层次分析法 的装配序列评价
１ ． １层次分析法简介 层次分析法 （ Ｈ ）是一种将 定性 与定量 分析 有 ＡＰ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第6卷第4期计算机集成制造系统Vol.6,No.4 2000年8月CIMS Aug.,2000文章编号:1006-5911(2000)04-0036-05基于人工神经网络技术的产品可装配性评价u冯 禹,马玉林,蔡鹤皋(哈尔滨工业大学现代生产技术中心,黑龙江 哈尔滨 150001)摘要:讨论了以往产品可装配性评价方法的不足,并根据人工神经元网络的特点,阐述了人工神经网络在可装配性评价中运用的适用性和基于人工神经网络的可装配性评价的实现方法。
根据Boothroyd方法中提供的实验数据,通过神经元网络学习建立了评价模型,依此模型可以对表征产品可装配性的装配时间等指标进行评价,为优选设计方案和改进设计提供决策支持。
关键词:人工神经网络;面向装配的设计;可装配性评价;设计评价中图分类号:TP183 文献标识码:A0 引言可装配性(Design for Assembly,DFA)评价是DFA的关键技术之一,它强调在设计的早期阶段就考虑装配过程的约束,从产品可装配性的角度评价产品设计,并根据评价结果通过再设计改进设计方案[1,2]。
80年代以来,国内外开展了大量关于DFA 评价的研究,并提出了许多方法。
这些方法各有侧重和特点,但都是依据普通集合理论,以分类的方法将原本连续变化的产品可装配性影响因素值离散化后,进行的针对典型工况的装配评价[3]。
这种评价方法存在的主要缺陷是:各区间的边界附近评价值变化不连续,与实际情况明显不符。
所以这种评价方法,很难准确反映各种装配工况下的产品可装配性。
从客观上讲,实验条件也决定了实验中设定的装配工况的变化不可能是连续的。
因此,如何由有限的工程实验结果导出连续的产品评价模型,以适应各种工况下可装配性分析评价的需要,是客观、全面地评价产品可装配性的关键。
由于工程实验只是根据有限的、有代表性的工况进行的,所以建立评价模型的准备知识是不完备的。
在这种情况下,运用传统数学方法建立评价模型是比较困难的。
近年来,人工神经网络技术的发展,为解决这一问题提供了有力工具。
1人工神经网络在装配评价中的适用性人工神经网络(Artificial Neural Networks, ANN)是一种并行和分布式的信息处理网络,其结构一般由多个神经元组成,每个神经元有一个单一的输出,可以连接到很多其它的神经元,其输入有多个连接通路,每个通路对应一个连接权系数。
实质上,ANN是一个具有以下性质的有向图[4]:每个结点有一个状态变量x j;结点i与结点j有一个连接权值w ij;每个结点有一个阈值 j;每个结点定义一个变换函数(或作用函数), f j[x j,w ij, j(i j)],通常为f(iw i j x i- j)。
ANN是对生物神经网络在功能上的一种模拟,即尽量使其具有生物神经网络的某些功能特性,如学习、识别、控制等。
它主要具有以下几个特点:(1)自适应功能或自学习功能 可以根据!样本数据∀,通过样本训练,找出输入输出之间的内在联系,对问题进行解答,而不依赖对问题的先验知识和规则,具有很好的适应性;(2)泛化(generalization)功能 神经元网络能够处理那些未经训练的数据,获得对应于这些数据u 收稿日期:1999-06-22;修订日期:1999-09-07的合适的问题解答;能够处理那些有噪声或不完全的数据,显示了良好的容错性。
(3)非线性映射功能 现实问题的解答经常涉及相互影响、呈现非线性关系的多个因素,神经元网络为处理这些非线性映射问题提供了有力工具。
上述特点决定了它在可装配性评价方面的适用性和优越性。
2 应用于可装配性评价的人工神经网络ANN存在多种模型,如感知器网络、BP(Back Propagation)网、Hopfield网等。
建立可装配性评价模型的实质,是进行装配影响因素与产品可装配性的函数关系拟合,而ANN的各种模型中,BP网在函数拟合方面功能较强,所以可以选用BP网来实现产品可装配性评价。
BP网是一种映射网络,能够实现由n维欧几里德有界子集A向m维欧几里德空间子集f(A)的映射,输入输出映射关系的实现通过网络的样本学习来完成。
网络学习过程分正向计算和反向传播两个环节。
正向计算指样本信号从输入层经隐含层逐层计算,向输出层传递。
如果在输出层得不到期望输出,则将实际输出与样本输出的误差沿网络反向传播,对各层权值进行修改。
如此反复循环逐步调整各连接权值和结点阈值,以减小网络实际输出与期望输出之间的误差,直至达到要求为止。
经过网络学习,网络内部权值作为知识记忆下来,构成欲拟合的映射关系函数。
BP网络学习的主导思想是通过不断调整权值,使误差代价函数最小,标准的BP算法采用的是一阶梯度法,即最速下降法,其具体算法如下[4]:设给定的P组输入、输出样本为:x(0)p=[x(0)p1x(0)p2#x(0)p,n0]T,d p=[d p1d p2#d p,nQ]T(p=1,2,#,P),利用该样本集对BP网络进行训练,取误差代价函数为E=12Pp=1nQi=1(d p i-x(Q)p i)2,网络权值依照以下公式调整[4]:W(q)ij(k+1)=W(q)ij(k)+ ∃D(q)ij(k+1),>0(1)D(q)ij=Pp=1(q)p ix(q-1)p j(q)p i=nq+1k=1(q+1)p k w(q+1)ki!x(q)pi(1-x(q)p i)(Q)p i=(d p i-x (Q)p i)!x(Q)p i(1-x(q)pi)q=Q,Q-1,#,1 i=1,2,#,n qj=1,2,#,n q-1式中: %%%学习率;q%%%网络层数;Q%%%输出层;n q%%%第q层神经元个数;W(q)ij%%%网络权值;D(q)ij%%%负梯度,表示误差代价函数下降最快的方向;x(q)p i、q pi%%%各层结点输出值和一般输出误差。
采用标准BP算法的神经网络训练,计算量很大,计算时间较长。
为提高训练效率,本文引入以下两种方法对标准BP算法进行改进。
(1)引入动量项 标准BP算法实质上是一种简单的最速下降静态寻优法,在修正权值w(k)时,只是按k时刻的负梯度方向进行修正,而没有考虑此前的训练经验,即以前时刻的负梯度方向,从而有可能使学习过程来回震荡,收敛缓慢。
由此可改进算法如下[5]:w(k+1)=w(k)+ [(1-∀)D(k)+∀D(k-1)] 0&∀<1式中,D(k)=-#E/#w(k)为k时刻的负梯度;D(k-1)为(k-1)时刻的负梯度;为学习率;∀为动量项因子,加入动量项相当于加入阻尼项,减小了训练过程的震荡趋势,使网络训练的收敛性得到改善。
(2)变步长法 标准BP算法收敛较慢的主要原因是学习率(步长) 不好选择。
如选得过小,则收敛速度太慢;如选得过大,可能收敛过头,导致网络训练震荡,甚至发散。
对此,为根据训练情况动态修改步长引入的,它对式(1)修正如下:w(k+1)=w(k)+ (k)D(k)(k)=2∃ (k-1)∃=sg n[D(k)D(k-1)]此算法的意义在于,当连续两次迭代梯度方向相同时,说明能量下降太慢,可以加倍增大步长,以提高训练收敛速度;当连续两次迭代梯度方向相反时,表明能量下降过头,可使步长减半,防止震荡。
综合以上两种方法,BP算法可修改如下:w(k+1)=w(k)+ (k)[(1-∀)D(k)+∀D(k-1)] 0&∀<1 经试验,依据以上算法改进后,原来训练2200037第4期冯 禹等:基于人工神经网络技术的产品可装配性评价次达到的拟合精度,只需训练17000次即可达到。
3 应用ANN的可装配性评价的具体步骤产品可装配性是个模糊概念,在DFA评价中,通常用装配时间、成本等定量指标来反映。
本文根据装配过程分阶段实施的特点,分获取、调整、插装和紧固四阶段,以装配时间这一定量指标反映产品可装配性(装配难度),基于Boothroyd方法[6]中提供的实验数据(如表1),以调整操作时间评价为例,介绍用ANN进行产品可装配性评价的具体步骤。
表1 手工装配操作时间评价工作表零件易于抓取和操作零件抓取和操作困难厚度C>2mm厚度C&2mm厚度C>2mm厚度C&2mmA>15mm 6mm&A&15mmA<6mmA>6mmA&6mmA>15mm6mm&A&15mmA<6mmA>6mmA&6mm01234567890 1.13 1.43 1.88 1.69 2.18 1.84 2.17 2.65 2.45 2.981 1.5 1.8 2.25 2.06 2.55 2.25 2.57 3.06 3.0 3.382 1.8 2.1 2.55 2.36 2.85 2.57 2.9 3.38 3.18 3.73 1.95 2.25 2.7 2.51 3.0 2.73 3.06 3.55 3.34 4.03.1 评价网络设计依据给定实验数据,分析影响产品可装配性的因素和评价结果,确定网络结构。
(1)选择网络神经元作用函数 由于要实现的是输入输出之间的非线性映射,通常情况下作用函数选用S形函数:y=f(s)=11+e-!s,输出为[0,1]之间的连续量。
(2)根据装配各阶段的装配影响因素和评价结果,确定输入输出层结点数 一般来讲,影响产品可装配性的因素可分为:零件级、装配系统级和工艺级[7]:零件级 包括零件的形状、尺寸、重量、对称性、非对称特征明显性、柔性、脆性、搭叠缠结性等;装配系统级 有无基准件、配合间隙、插装方向、装配运动方式、装配特征可见性和装配位置可达性;装配工艺级 联接方式、有无插入导向、插装阻力、是否需辅助工具、基体装配运动稳定性等。
由于影响因素较多,可以用关系树分层次表示产品可装配性影响关系,如图1所示。
产品和装配方式不同,可装配性的影响因素也不同。
在给定实验条件下,针对印刷线路板(PCB)电子元件的手工装配而言,影响产品调整操作时间的因素主要有:零件的长度(A%%%最大轮廓尺寸)、厚度(C%%%最小轮廓尺寸)、对称性、抓取和操作难度。
其中,长度A%%%零件轮廓投影在一个平面上的最大非对角线尺寸;厚度C%%%零件最小轮廓尺寸; 对称性%%%零件关于垂直于其插入方向的轴线的旋转对称性;%对称性%%%零件关于沿插入方向的轴线的旋转对称性。
由于最能表征零件对称性的是两种对称性的和,表1中分四种情况讨论:∋( +%)<360(;)360( &( +%)<540(;∗540(&( +%)&720(;+( +%) =720(。
由此,确定输入层结点数为4。